Pelajari fitur pengenalan ucapan non-real-time, pemanggilan file audio, dan cara meningkatkan hasil pengenalan.
Fitur
Pengenalan ucapan non-real-time mengubah file audio dan video yang telah direkam menjadi teks untuk transkripsi rapat, analisis panggilan, dan subtitel. Audio pendek dapat mengembalikan hasil dalam satu permintaan; rekaman panjang dapat diproses sebagai tugas asinkron.
- Bahasa dan dialek: Mendeteksi bahasa secara otomatis serta mengenali berbagai bahasa dan dialek Tionghoa. Lihat Gambaran umum pengenalan ucapan untuk cakupannya.
- Akurasi: Gunakan hotword untuk nama, merek, dan istilah khusus, atau berikan konteks dari percakapan sebelumnya.
- Pemrosesan teks: Merapikan teks lisan, mempertahankan ungkapan dialek, dan memfilter kata sensitif.
- Diarisasi pembicara: Memberi label pembicara dalam transkrip untuk mengatur rekaman rapat dan wawancara.
- Hasil terstruktur: Menghasilkan kalimat, kata, dan stempel waktu untuk subtitel, penyorotan kata kunci, dan navigasi audio.
- Input audio: Memilih format audio dan video, laju sampel, serta kanal sesuai dukungan model.
- Rekaman panjang: Transkripsikan satu file audio atau video berdurasi maksimal 12 jam dan berukuran maksimal 2 GB secara asinkron.
Dukungan fitur berbeda menurut model. Periksa cakupan setiap fitur. Untuk mengirim audio terus-menerus dan menerima hasil saat berbicara, lihat Pengenalan ucapan real-time.
| Kasus penggunaan | Model yang direkomendasikan | Metode pemanggilan |
|---|---|---|
| Audio maksimal 5 menit dengan respons langsung | qwen-audio-3.1-asr-flash | Pemanggilan sinkron dengan output streaming SSE opsional. |
| Rekaman panjang atau pemrosesan audio dan video asinkron | qwen-audio-3.1-asr-flash-filetrans | Kirim tugas asinkron dan unduh transkrip setelah selesai. |
Mulai menggunakan
Dapatkan API key di konsol, lalu atur variabel lingkungan DASHSCOPE_API_KEY.
Contoh menggunakan sampel audio WAV berbahasa Inggris, mono, 16 kHz yang dapat diakses publik.
- Qwen-Audio-ASR
- Qwen-Audio-ASR-Filetrans
Contoh ini menggunakan qwen-audio-3.1-asr-flash untuk mengirim seluruh file audio dan menerima transkrip akhir dalam permintaan yang sama.
cURL
Menangani hasil pengenalan
-
Pengenalan sinkron: Di Qwen-Audio-ASR,
output.textberisi seluruh teks kumulatif, sedangkanoutput.sentenceberisi detail kalimat saat ini. Bacaoutput.textuntuk menyimpan transkrip lengkap. -
Transkripsi asinkron: Setelah tugas berhasil, unduh file hasil. Baca
transcripts[].textuntuk transkrip lengkap setiap kanal, atautranscripts[].sentencesbesertawordsuntuk subtitel dan navigasi audio. -
Stempel waktu:
begin_timedanend_timepada kalimat dan kata menunjukkan posisi dalam audio, dalam milidetik.end_timedalam respons pemeriksaan tugas adalah tanggal dan waktu selesainya tugas.Stempel waktu selalu diaktifkan dan tidak dapat dinonaktifkan untuk Qwen-Audio-ASR, Qwen-Audio-ASR-Filetrans, Fun-ASR, Fun-ASR-Flash, dan Paraformer. Panggilan asinkron Qwen3-ASR-Filetrans juga selalu mengembalikan stempel waktu. Untuk panggilan ini,enable_wordsmemilih stempel waktu tingkat kalimat atau kata, bukan menonaktifkan stempel waktu.
Meningkatkan hasil pengenalan
Sesuaikan keterbacaan teks, pengenalan istilah tertentu, label pembicara, dan cara pengembalian hasil dengan kebutuhan aplikasi.
Output streaming
Output streaming mengembalikan hasil dalam peristiwa SSE setelah file audio lengkap dikirim, sehingga progres transkripsi dapat ditampilkan sebelum pengenalan selesai.
qwen-audio-3.1-asr-flash, Fun-ASR-Flash, dan Qwen3-ASR-Flash mendukung output streaming. Model transkripsi asinkron, termasuk Qwen-Audio-ASR-Filetrans, Fun-ASR, Qwen3-ASR-Filetrans, dan Paraformer, menyediakan file hasil setelah selesai dan tidak mengembalikan hasil pengenalan melalui SSE.
| Model | Aktifkan dengan | Penanganan hasil dan catatan |
|---|---|---|
| qwen-audio-3.1-asr-flash | X-DashScope-SSE: enable | output.text adalah teks kumulatif. Ganti teks yang ditampilkan pada setiap pembaruan. Audio pendek mungkin hanya menghasilkan satu hasil. Tanpa diarisasi, stempel waktu kata menjadi tetap saat output.sentence.words[i].fixed bernilai true. Dengan diarisasi, baca kalimat saat ini dan sebelumnya dari output.sentences. |
| Qwen3-ASR-Flash | API kompatibel OpenAI: stream: true. API HTTP native: X-DashScope-SSE: enable. | Pada respons kompatibel OpenAI, choices[].delta.content berisi teks inkremental. Gabungkan sesuai urutan penerimaan. |
| Fun-ASR-Flash | X-DashScope-SSE: enable | Fun-ASR-Flash mengembalikan beberapa peristiwa untuk audio berdurasi minimal 1 menit. |
Hotword dan peningkatan konteks
Gunakan hotword untuk menentukan ejaan nama, produk, atau istilah teknis yang dapat tertukar dengan kata bersuara serupa. Gunakan peningkatan konteks untuk memberikan percakapan sebelumnya, latar belakang bisnis, atau kosakata terkait. Untuk dukungan model, konfigurasi, dan contoh, lihat Meningkatkan akurasi pengenalan.
Perapian teks dan ungkapan dialek
qwen-audio-3.1-asr-flash mendukung perapian teks bawaan untuk meningkatkan keterbacaan dengan merapikan kata pengisi, pengulangan, dan koreksi diri.
qwen-audio-3.1-asr-flash dan qwen-audio-3.1-asr-flash-filetrans secara default mentranskripsikan dialek Tionghoa menjadi teks Mandarin. Atur keep_dialect: true untuk mempertahankan ungkapan khusus dialek.
Diarisasi pembicara
Aktifkan diarisasi untuk membedakan pembicara dalam rapat atau wawancara. speaker_id dalam hasil pengenalan membedakan setiap pembicara.
| Model | Aktifkan dengan | Lokasi hasil |
|---|---|---|
| qwen-audio-3.1-asr-flash | speaker_diarization_enabled: true | output.sentences[].speaker_id |
| Qwen-Audio-ASR-Filetrans, Fun-ASR、Paraformer | diarization_enabled: true | transcripts[].sentences[].speaker_id |
Diarisasi memerlukan audio mono. Untuk transkripsi asinkron dengan diarisasi, disarankan menggunakan audio maksimal 2 jam guna mengurangi risiko kegagalan atau waktu tunggu habis. Saat diarisasi diaktifkan pada qwen-audio-3.1-asr-flash,
keep_dialect dan language_hints tidak berlaku.Pemfilteran kata sensitif
Gunakan pemfilteran untuk menyamarkan atau menghapus kata tertentu dalam transkrip. Qwen-Audio-ASR-Filetrans, Fun-ASR, dan Paraformer mendukung special_word_filter untuk mengatur daftar penggantian, daftar penghapusan, dan daftar bawaan.
Penggunaan dalam produksi
Transkripsi batch memerlukan penyimpanan audio, pengaturan laju pengiriman dan pemeriksaan tugas, notifikasi penyelesaian, serta penyimpanan hasil secara persisten. Untuk persiapan input, callback, pembatasan laju, dan percobaan ulang, lihat Praktik terbaik pengenalan ucapan.
Model dan wilayah yang didukung
- Singapura
- AS (Virginia)
- China (Beijing)
- Qwen-Audio-ASR: qwen-audio-3.1-asr-flash, qwen-audio-3.0-asr-flash
- Qwen-Audio-ASR-Filetrans: qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetrans
- Qwen3-ASR-Flash: qwen3-asr-flash (versi stabil)
- Qwen3-ASR-Filetrans: qwen3-asr-flash-filetrans (versi stabil)
- Fun-ASR-Flash: fun-asr-flash-2026-06-15
- Fun-ASR: fun-asr (versi stabil)
Batas penggunaan
Pilih metode input, format audio, dan laju sampel yang didukung model. Parameter seperti format dan sample_rate harus sesuai dengan file sebenarnya.
Saat diarisasi diaktifkan pada Qwen-Audio-ASR-Filetrans, Fun-ASR, atau Paraformer, disarankan menggunakan audio maksimal 2 jam untuk mengurangi risiko kegagalan atau waktu tunggu habis.
| Model | Metode input | Format audio | Laju sampel | Ukuran dan durasi file |
|---|---|---|---|---|
| qwen-audio-3.1-asr-flash, qwen-audio-3.0-asr-flash | URL atau Base64 Data URI; satu per permintaan | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | Apa pun | ≤2 GB; ≤5 menit |
| qwen-audio-3.1-asr-flash-filetrans, qwen-audio-3.0-asr-flash-filetrans | URL file yang dapat diakses publik; satu per permintaan | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | Apa pun | ≤2 GB; ≤12 jam |
| qwen3-asr-flash | URL atau Base64 Data URI; satu per permintaan | aac, amr, avi, aiff, flac, flv, mkv, mp3, mpeg, ogg, opus, wav, webm, wma, wmv | 16 kHz untuk PCM; laju apa pun untuk format lain, disampel ulang menjadi 16 kHz oleh layanan | ≤10 MB; ≤5 menit |
| qwen3-asr-flash-filetrans | URL file yang dapat diakses publik; satu per permintaan | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | 16 kHz untuk PCM; laju apa pun untuk format lain, disampel ulang menjadi 16 kHz oleh layanan | ≤2 GB; ≤12 jam |
| fun-asr-flash-2026-06-15 | URL atau Base64 Data URI; satu per permintaan | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | Apa pun | ≤2 GB; ≤5 menit |
| fun-asr | URL file yang dapat diakses publik; satu per permintaan | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | Apa pun | ≤2 GB; ≤12 jam |
| paraformer-v2 | URL file yang dapat diakses publik; satu per permintaan | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | Apa pun | ≤2 GB; ≤12 jam |
| paraformer-8k-v2 | URL file yang dapat diakses publik; satu per permintaan | aac, amr, avi, flac, flv, m4a, mkv, mov, mp3, mp4, mpeg, ogg, opus, wav, webm, wma, wmv | 8 kHz | ≤2 GB; ≤12 jam |
Referensi API
- Pengenalan ucapan non-real-time: Qwen-Audio-ASR — referensi API
- Pengenalan ucapan non-real-time: Qwen-Audio-ASR-Filetrans — referensi API
- Pengenalan ucapan non-real-time: Fun-ASR — referensi API
- Pengenalan ucapan non-real-time: Fun-ASR-Flash — referensi API
- Pengenalan ucapan non-real-time: Qwen3-ASR — referensi API
- Pengenalan ucapan non-real-time: Paraformer — referensi API